Can Google searches help nowcast and forecast unemployment rates in the Visegrad Group countries?

L'essentiel

Imaginez que vous essayiez de prédire la météo. Habituellement, vous devez attendre que le météorologue officiel termine ses calculs, ce qui peut prendre quelques jours. Le temps qu'il vous annonce qu'il va pleuvoir, vous pourriez déjà être en train de vous mouiller.

Maintenant, imaginez que vous puissiez regarder par votre fenêtre et voir que tout le monde achète soudainement des parapluies et consulte les prévisions de pluie sur son téléphone. Avant même que le rapport officiel n'arrive, vous savez qu'une tempête se prépare.

C'est exactement ce que les auteurs de cet article ont fait, mais au lieu de la météo, ils ont observé le chômage, et au lieu des parapluies, ils ont observé les recherches Google.

Le cadre : Le « Groupe de Visegrád »

L'étude se concentre sur quatre pays d'Europe centrale : la République tchèque, la Hongrie, la Pologne et la Slovaquie. On les appelle parfois le « Groupe de Visegrád ». Alors que les grandes économies comme les États-Unis ou l'Allemagne captent toute l'attention de la recherche, ces quatre pays sont plus petits. Les auteurs voulaient voir si les « empreintes numériques » laissées par les habitants de ces plus petits pays pouvaient nous apprendre quelque chose d'utile sur leurs marchés du travail.

L'idée centrale : Les empreintes numériques

Lorsque les gens perdent leur emploi ou craignent de le perdre, ils ne restent pas simplement chez eux. Dans notre monde numérique moderne, ils vont en ligne. Ils tapent des expressions comme « emplois près de chez moi », « comment rédiger un CV » ou « allocations chômage » dans Google.

Les auteurs ont posé une question simple : Pouvons-nous prédire les taux de chômage en comptant le nombre de personnes qui recherchent ces termes liés à l'emploi ?

Ce qu'ils ont trouvé (Les résultats)

1. La connexion est réelle
Ils ont trouvé un lien fort. Quand le chômage augmente, le nombre de recherches liées à l'emploi augmente aussi. C'est comme un miroir : l'activité en ligne reflète la difficulté du monde réel.

• En République tchèque et en Slovaquie, la connexion était très forte (environ une correspondance de 50 % dans leur mouvement conjoint).
• En Pologne et en Hongrie, la connexion était toujours présente, mais un peu plus faible.

2. Le « Nowcasting » : Voir le présent avant qu'il ne soit officiel
Les chiffres officiels du chômage sont lents. Les gouvernements mettent des mois pour compter tout le monde, traiter les données et publier le rapport. Au moment où vous lisez la nouvelle, la donnée est déjà vieille.

• La thèse de l'article : Les recherches Google sont instantanées. En utilisant ces chiffres de recherche, les auteurs ont pu construire un modèle qui prédit le taux de chômage actuel bien mieux qu'en se basant simplement sur les chiffres de l'année dernière. C'est comme voir les nuages d'orage se former avant que la pluie ne commence.

3. La prévision (« Forecasting ») : Prédire le futur
Les auteurs ont également demandé : « Ces recherches nous aident-elles à prédire ce qui se passera le mois prochain, même si nous faisons comme si nous connaissions déjà les chiffres du chômage d'aujourd'hui ? »

• La thèse de l'article : Oui. Même si vous connaissez déjà le taux de chômage actuel, l'ajout des données de recherche Google rend la prédiction pour le mois suivant plus précise. Cela prouve que les recherches ne sont pas seulement un écho retardé du passé ; elles contiennent de nouvelles informations sur ce que les gens ressentent et planifient en ce moment.

4. Une rue à double sens (Causalité)
Enfin, ils ont examiné qui influence qui. Est-ce que le chômage provoque les recherches, ou est-ce que les recherches signalent l'arrivée du chômage ?

• La thèse de l'article : C'est une rue à double sens. Dans la plupart des pays étudiés, cela fonctionne dans les deux sens. Les gens effectuent des recherches parce qu'ils sont au chômage, mais l'augmentation des recherches signale également que le marché du travail devient tendu avant que les chiffres officiels ne rattrapent la réalité.

L'essentiel

L'article conclut que même dans des économies plus petites comme celles du Groupe de Visegrád, Internet est un outil puissant. En observant simplement ce que les gens tapent dans Google, les économistes et les décideurs politiques peuvent obtenir une image beaucoup plus claire, rapide et précise du marché du travail qu'en attendant les rapports gouvernementaux traditionnels.

En bref : Les recherches en ligne des individus agissent comme un « contrôle du pouls » en temps réel de l'économie, nous aidant à voir les tendances du chômage avant que les statistiques officielles n'arrivent.

Résumé technique

Résumé technique : Les recherches Google peuvent-elles aider à l'actualisation (nowcasting) et à la prévision des taux de chômage dans les pays du groupe de Visegrád ?

Énoncé du problème
Les indicateurs macroéconomiques, en particulier les taux de chômage, souffrent de délais de publication importants dus au temps nécessaire pour la collecte et le traitement des données (souvent plusieurs mois). Ce retard entrave la réactivité des politiques et l'analyse économique. Bien que l'activité en ligne ait été explorée comme un indicateur de haute fréquence pour le comportement économique dans les économies développées (par exemple, les États-Unis et l'Allemagne), son utilité dans les économies plus petites d'Europe centrale reste sous-étudiée. Cet article examine si les requêtes de recherche Google liées à l'emploi peuvent servir de prédicteurs efficaces pour les taux de chômage dans les pays du groupe de Visegrád : la République tchèque, la Hongrie, la Pologne et la Slovaquie.

Méthodologie
L'étude utilise des données mensuelles s'étendant de janvier 2004 à décembre 2013.

• Sources de données : Les taux de chômage proviennent d'Eurostat (basés sur l'enquête sur les forces de travail de l'UE), représentant la population générale (âges 15–74) sans ajustement saisonnier. Les données de recherche Google ont été extraites de Google Trends à l'aide de mots-clés spécifiques liés à l'emploi dans les langues locales : « práce » (tchèque/slovaque), « praca » (polonais) et « állás » (hongrois). Les données hebdomadaires de Google ont été agrégées à des fréquences mensuelles.
• Prétraitement : Pour traiter les problèmes de stationnarité, les auteurs ont utilisé les tests Augmented Dickey-Fuller (ADF) et KPSS. Les résultats ont indiqué que les séries originales contenaient des racines unitaires, nécessitant l'utilisation des premières différences. Plus précisément, l'analyse a utilisé la première différence du taux de chômage ($\Delta UR_t$) et la première différence logarithmique de l'intensité de recherche Google ($\Delta \log(GI)_t$).
• Cadre analytique :
  1. Relation de base : Un modèle de régression linéaire a été estimé pour déterminer l'élasticité entre l'intensité de recherche et les variations du chômage.
  2. Actualisation (Nowcasting) : Un modèle incorporant 12 décalages (lags) tant pour le chômage que pour les données de recherche a été construit pour simuler une prédiction en temps réel, en supposant que les données du chômage sont disponibles avec un décalage de trois mois.
  3. Prévision (Forecasting) : Un modèle de vecteurs autorégressifs (VAR) a été comparé à un modèle autorégressif (AR) simple. Le VAR inclut 12 décalages pour les deux variables.
  4. Causalité : Des tests de causalité de Granger ont été effectués dans le cadre du VAR pour déterminer la direction de l'influence.
• Métriques d'évaluation : La performance de la prévision a été évaluée à l'aide de l'erreur quadratique moyenne (RMSE), de l'erreur absolue moyenne (MAE) et du test de Diebold-Mariano pour comparer statistiquement la précision des prévisions.

Résultats clés

• Corrélation et élasticité : Une relation proportionnelle positive a été trouvée entre les recherches liées à l'emploi et les taux de chômage dans les quatre pays. Les élasticités estimées sont statistiquement significatives pour la République tchèque, la Pologne et la Slovaquie (au moins au seuil de 10 %), avec des valeurs allant d'environ 0,20 à 0,55.
• Performance de l'actualisation (Nowcasting) : L'inclusion des données de recherche Google a considérablement amélioré les modèles d'actualisation. Le $R^2$ ajusté a augmenté d'environ un tiers pour tous les pays (avec une augmentation légèrement moindre pour la Pologne). Les statistiques F ont confirmé que les variables de recherche étaient conjointement significatives, même au seuil de 1 %.
• Performance de la prévision (Forecasting) : En prévision hors échantillon (2013), les modèles incorporant les données Google ont surpassé les modèles reposant uniquement sur les données historiques du chômage. Le test de Diebold-Mariano a confirmé que le modèle VAR avec les données de recherche fournissait des prévisions nettement meilleures que le modèle AR pour tous les pays, au seuil de signification de 5 % ou mieux.
• Causalité : L'analyse de la causalité de Granger a révélé une causalité bidirectionnelle dans trois des quatre pays (République tchèque, Pologne et Slovaquie). Cela suggère une boucle de rétroaction où l'augmentation du chômage entraîne une augmentation des recherches d'emploi, et où l'augmentation de l'activité de recherche signale des tensions sur le marché du travail qui précèdent ou accompagnent les changements du chômage. La Hongrie est l'exception, ne montrant aucune causalité de Granger significative dans un sens ou dans l'autre.

Signification et contributions
L'article apporte trois contributions principales à la littérature sur le Big Data en économie :

1. Portée géographique : Il étend la validation des données de recherche Google comme indicateur économique au-delà des grandes économies développées (comme les États-Unis et l'Allemagne) vers les économies plus petites d'Europe centrale. Il démontète que même dans des régions présentant potentiellement une pénétration d'Internet moindre ou des structures économiques différentes, le comportement de recherche en ligne reste un prédicteur robuste des variables macroéconomiques.
2. Rigueur méthodologique : L'étude fournit une procédure analytique complète et par étapes qui va au-delà de la simple corrélation. Elle traite systématiquement la stationnarité, évalue à la fois l'actualisation (prédire le présent avec des données officielles décalées) et la prévision (prédire le futur), et étudie les directions de causalité.
3. Utilité politique : Les résultats suggèrent que les données de recherche en ligne offrent une « valeur informative supplémentaire » au-delà du simple comblement du fossé temporel causé par les délais de données. La causalité bidirectionnelle trouvée dans la plupart des pays implique que les données de recherche capturent le sentiment en temps réel et la dynamique du marché que les statistiques officielles pourraient manquer, offrant un outil précieux aux décideurs politiques du groupe de Visegrád et des économies similaires.

Conclusion
Les auteurs concluent que les requêtes Google liées à l'emploi constituent une base solide pour la modélisation des taux de chômage dans le groupe de Visegrád. Les données permettent non seulement l'actualisation des niveaux de chômage actuels, mais améliorent également la précision des prévisions futures, fournissant un signal opportun et informatif pour le suivi économique dans ces régions spécifiques.